La réforme des retraites à l’Assemblée Nationale

2. La réforme des retraites à l’Assemblée Nationale#

2.1. Introduction#

Si le gouvernement a utilisé l’article 49.3, la loi a toute fois était débattu en première lecture à l’assemblée nationale du 6 février au 17 février. Depuis 2017, il est possible d’avoir accès sur le site de l’assemblée national au retranscription des séances publiques de l’Assemblée Nationale. A ce jour, il n’existe pas de solutions pour télécharger ces transcriptions dans un (ou plusieurs) fichiers de données (csv, xlsx, etc…). Une des possibilités est d’utiliser le web-scrapping qui consiste à extraire des informations directement du code HTML d’une page web. Ici, ces pages webs correspondront aux transcriptions de chaque séances. Le script Python pour scrapper le site de l’assemblée nationale est disponible ici.

2.2. Chargement des données#

Pour commencer, nous chargeons plusieurs modules/librairies permettant de charger les données et produire les différentes visualisations.

import pandas as pd
import plotly.express as px
from lib.figures import *
from lib.constant import *
from lib.utils import *
from bokeh.io import output_notebook
output_notebook(hide_banner=True)

Une fois le chargement des modules effectués, nous chargons les données dans la dataframe (ou table de données) parlement_df.

parlement_df = pd.read_parquet('data/parlement_retraite_data.parquet_v2')
parlement_df = parlement_df[~(parlement_df.groupe_sigle == "UNKNOWN")]
parlement_df["is_keywords_label"] = parlement_df.is_keywords.apply(lambda x: "Oui" if x else "Non")
parlement_df["len_intervention"] = parlement_df.full_text.str.split(" ").apply(len)
parlement_df.head()

	legislature	date	numero_seance	nom_president_e	id_president_e	section	subsection	full_text	timestamp	speaker_name	username	groupe_sigle	lemmatization	keywords_detected	is_keywords	is_keywords_label	len_intervention
87	16	2023-02-06	131	Présidence de Mme Yaël Braun-Pivet	2998142	Projet de loi de financement rectificative de ...		L’ordre du jour appelle la discussion du proje...	2166.84	Mme la présidente	yael-braun-pivet	REN	l’ ordre de jour appeler le discussion de proj...	[loi, sécurité social, financement, social, lo...	True	Oui	35
88	16	2023-02-06	131	Présidence de Mme Yaël Braun-Pivet	2998142	Projet de loi de financement rectificative de ...		Non, pas question !	2173.41	Mme Danièle Obono	daniele-obono	LFI	non , pas question !	[]	False	Non	3
89	16	2023-02-06	131	Présidence de Mme Yaël Braun-Pivet	2998142	Projet de loi de financement rectificative de ...		Non, ça ne va pas se passer comme ça ! Vous n’...	2173.59	M. Louis Boyard	louis-boyard	LFI	non , cela ne aller pas se passer comme cela ...	[]	False	Non	14
90	16	2023-02-06	131	Présidence de Mme Yaël Braun-Pivet	2998142	Projet de loi de financement rectificative de ...	Présentation	La parole est à M. le ministre du travail, du ...	2174.35	Mme la présidente	yael-braun-pivet	REN	le parole être à m. le ministre de travail ,...	[travail, plein emploi, loi]	True	Oui	61
91	16	2023-02-06	131	Présidence de Mme Yaël Braun-Pivet	2998142	Projet de loi de financement rectificative de ...	Présentation	Suspension ! La suspension est de droit !	2179.38	M. André Chassaigne	andre-chassaigne	GDR	suspension ! le suspension être de droit !	[]	False	Non	6

average_number_of_words_per_intervention(parlement_df)

intervention_frequency_per_group(parlement_df)

2.3. Analyse des mots-clés#

2.3.1. Quels mots-clés ?#

Les mots clés sont identifiés parmi différentes extractions automatiques. La première est en utilisant l’outil Biotex1 qui extrait des mots-clés à l’aide de motifs syntaxiques identifiées dans des corpus. La seconde correspond à une extraction de n-grammes, ou séquences de mots, qui se répètent souvent.

L’ensemble des mots-clés sont listés dans la table ci-dessous.

keyword_df = pd.read_excel("data/keywords_selected.ods",index_col=0)[["term"]]
datatable_from_pandas(keyword_df)

2.3.2. Proportion des interventions contenant des mots-clés#

fig_parl = px.histogram(parlement_df,
                        x="groupe_sigle",
                        pattern_shape="is_keywords_label",
                        labels={"count":"","groupe_sigle":"Groupe Politique","is_keywords_label":"Présence de mots-clés"},
                        color_discrete_map=gp_politique_color, color="groupe_sigle")
fig_parl.update_layout(yaxis_title="# Interventions")

2.3.3. Distribution des mots-clés par groupe parlementaire#

from bokeh.models import TabPanel, Tabs

df = getCountDataframe(parlement_df,top_n=10)

tab1 = TabPanel(child=occurrenceDistributionPerGroupePolitique(df[df.num_words == 1]), title="1 mot")
tab2 = TabPanel(child=occurrenceDistributionPerGroupePolitique(df[df.num_words == 2]), title="2 mots")
tab3 = TabPanel(child=occurrenceDistributionPerGroupePolitique(df[df.num_words == 3]), title="3 mots")

show(Tabs(tabs=[tab1, tab2,tab3],sizing_mode ="stretch_width"))

2.3.4. Distribution des mots-clés par orientation politique#

	Groupe Parlementaire	Orientation
0	GOV	centre
1	SER	gauche
2	LFI	gauche
3	GDR	gauche
4	ECO	gauche
5	NI	aucun
6	UDI	droite
7	LREM	centre
8	MODEM	centre
9	LIOT	droite
10	RN	droite
11	LR	droite
12	SOC	gauche
13	HOR	centre
14	AE	droite
15	LT	droite
16	REN	centre
17	RRDP	gauche

from bokeh.models import TabPanel, Tabs

df = getCountDataframe(parlement_df,top_n=10)

tab1 = TabPanel(child=occurrenceDistributionPerPolitiqueOrientation(df[df.num_words == 1]), title="1 mot")
tab2 = TabPanel(child=occurrenceDistributionPerPolitiqueOrientation(df[df.num_words == 2]), title="2 mots")
tab3 = TabPanel(child=occurrenceDistributionPerPolitiqueOrientation(df[df.num_words == 3]), title="3 mots")

show(Tabs(tabs=[tab1, tab2,tab3],sizing_mode ="stretch_width"))

1: Juan Antonio Lossio-Ventura, Clement Jonquet, Mathieu Roche, Maguelonne Teisseire. BIOTEX: A system for Biomedical Terminology Extraction, Ranking, and Validation. ISWC: International Semantic Web Conference, Oct 2014, Riva del Garda, Italy. pp.157-160. Version Python